Data Science Implementierung leicht gemacht: Das können Sie von den Best-Practice-Unternehmen für die Implementierung lernen

Data Science ist eine reifer Methodenbaukasten, der heute schon in allen Unternehmen einsetzbar ist.

Trotz der technischen Möglichkeiten stockt die Umsetzung für KI im Unternehmen. Das zeigen auch die Erhebungen der Industrie- und Digitalverbände. Nur 12% der 555 Befragten in deutschen Industrieunternehmen gaben 2019 an, selbst KI im eigenen Unternehmen zu nutzen. Auch im internationalen Vergleich belegen wir in Europa eher die letzten Ränge. Laut einer Befragung von 2019, die in Unternehmen und Hochschulen durchgeführt wurde, sehen nur 1% der Befragten Deutschland als Vorreiter in Sachen KI-Kompetenz.

Es scheint zuallererst an mangelndem Know-how zu liegen und eher nicht an technischen Hürden. Aber nicht nur das. Die Erfahrung aus der Praxis zeigt: Ungerechtfertigte Vorurteile und die Angst vor den ungewissen Konsequenzen führen dazu, dass viele Manager zögern. Dabei wohnt der Technologie des maschinellen Lernens deutlich weniger Rätselhaftes inne, als viele Manager vermuten. Künstliche Intelligenz im Unternehmen einzuführen heißt nämlich nicht, bestehende ERP- oder EDV-Systeme einzureißen oder die Simulation des ganzen Unternehmens anzustreben. Der Tool-Ansatz ist dabei deutlich vielversprechender: Für abgegrenzte Bereiche nach passenden KI-Instrumenten suchen, Piloterfolge etablieren und von diesen intelligenten Inseln dann weitermachen.

„Am Ende des Tages ist KI nur eine mathematische Fertigkeit, die nicht Bestehendes über den Haufen wirft, sondern vielfach erprobte Tools zur Produktivitätssteigerung nur verbessert - das ist in bestehenden IT-Strukturen sehr gut realisierbar.“

Anwendungsfälle entlang der gesamten Wertkette

Künstliche Intelligenz und Mustererkennung lassen sich in allen Bereichen der Supply Chain anwenden:

• Im Einkauf lassen sich operative Abwicklungsprozesse beschleunigen, etwa durch regelbasierte Entscheidungskaskaden in Bestellfreigabeprozessen, sowie bessere Sourcing-Entscheidungen durch die Smarte Price Performance Analyse, treffen,
• durch die Mustererkennung in Vertriebsdaten lassen sich versteckte Preisspielräume identifizieren oder Cross-Selling-Möglichkeiten aufdecken,
• wenn man die Kundenabrufe kennt und die Wiederbeschaffungszeiten sowie die Durchlaufzeiten in der Produktion für die Komponenten, dann können die optimalen Bestandsparameter analytisch abgeleitet werden,
• Mustererkennung in Prozess- und Qualitätsdaten im Werksverbund erlaubt die Steigerung der Produktivität durch eine höhere Qualität und das Lernen von Vorzeigefabriken.

Data Science ist dabei kein komplett neues Instrument, sondern es ermöglicht die Verbesserung von Ansätzen, die wir in der Beratung seit vielen Jahren sehr erfolgreich anwenden.

Um erfolgreich zu sein, sind die Hürden und Erfolgsaussichten bei der Implementierung genau zu untersuchen:

• Inwieweit lassen sich Tools an das bestehende ERP-System andocken?
• Kann das Projekt von einem Fachbereich getrieben werden oder ist eine übergreifende Kooperation notwendig?
• Ist der analysierte Fachbereich aus GuV- oder Bilanz-Sicht auch ein echter Werthebel?
• Habe ich die internen Kapazitäten und Kompetenzen?
• Existieren funktionierende Plug-and-Play-Tools?

Das richtige Erwartungsmanagement ist bei KI-Projekten besonders kritisch. Sicher mag die Fantasie, den digitalen Zwilling für das eigene Unternehmen zu kreieren, begeistern, sie birgt aber auch die Gefahr, das Thema KI für alle Zeiten zu verbrennen, wenn die Umsetzung stockt. Schnelle Erfolge, messbarer Fortschritt und kontrollierbares Risiko ohne das Unternehmen zu lähmen sind die Erfolgszutaten für die digitale Transformation.

Wir haben einige Unternehmen bei der Pilotierung von Advanced Analytics und Machine Learning begleitet. Wie jede neue Technologie, sind auch hier Lernkurven und ein iteratives Vorgehen erfolgsbestimmend. Die TCW Systematik zur Einführung von Data Science im Unternehmen gliedert sich dabei in sechs Phasen.

Die Einsteiger im Bereich Data Science können als Lektion von anderen Unternehmen sechs Erkenntnisse gewinnen:

1. Kontrollierbare Komplexität: Für den Einstieg eignen sich abgrenzbare Analysebereiche mit zwei bis drei Zielgrößen, für die ausreichend Datenpunkte vorliegen und für die sinnvolle Hypothesen erstellt werden können. Dafür eignen sich auch Tools, die zu Beginn als Insellösung betrieben werden können.
2. Ohne Potenzial kein Projekt: Wer Anwendungsfälle für KI sucht, sucht Bereiche in denen das Erkennen von Zusammenhängen zwischen Einflussgrößen einen betriebswirtschaftlichen Mehrwert bringen kann, etwa weil die richtigen Maßnahmen zur Qualitätssteigerung oder Produktivitätsverbesserung abgeleitet werden können oder bessere Prognosen möglich sind.
3. Nicht blind loslaufen: Es sollten vor dem Projekt Hypothesen formuliert werden können, also Vermutungen über mögliche Zusammenhänge bestehen. Das blinde Suchen nach Mustern ist möglich, aber ungleich schwieriger.
4. Das richtige Team: KI-Projekte werden nicht von der IT getrieben. Es bietet sich ein interdisziplinäres Team aus Mitarbeitern mit Domain-Wissen an, die das eigene Geschäft und die Besonderheiten gut kennen, denn mathematische Modelle und die Zwischenergebnisse müssen auch plausibilisiert werden. Datenaffine Spezialisten sorgen im Team dafür, betriebswirtschaftliche Probleme mathematisch zu formulieren und schärfen das Outside-the-Box-Denken.
5. Betroffene zu Verbündeten machen: Change-Management ist eine der wichtigsten Disziplinen. Es muss klar werden: künstliche Intelligenz ist ein weiteres Werkzeug, das Menschen nutzen können, um bessere Entscheidungen zu treffen, aber sie ist völlig ungeeignet, um den Menschen zu ersetzen. Denn Maschinelles Lernen im engeren Sinne ist dumm, liefert es doch nur statistische Zusammenhänge. Ohne menschliche Quality Gates ist das aber wenig hilfreich. Denn was kann Künstliche Intelligenz nicht? Plausibilität prüfen, Verantwortung übernehmen und Entscheidungen auch auf moralische Verträglichkeit abzuklopfen - das sind doch die Dinge, die intelligente Entscheidungen ausmachen! KI ist also eher ein scharfes Werkzeug.
6. Realistische Erwartungen: Wirtschaftlichkeitsbewertungen sind sinnvoll, aber jedes KI-Projekt lässt sich totrechnen. Unternehmen, die zu schnell zu viel erwarten, scheitern mit hoher Wahrscheinlichkeit. Genauso wie bei jeder neuen Technologie, lassen sich die Einsparungen oder die Umsatzsteigerung durch den Einsatz von KI nicht kurzfristig prognostizieren. Um jeden KI-Service-Provider oder Technologieanbieter mit solchen Versprechungen sollten Unternehmen einen großen Bogen machen. Die Nutzung von KI im Unternehmen hat immer auch eine Experimentierphase, die aber durch sinnvolles Projektmanagement durch einen erfahrenen Partner reduziert werden kann. Rückschläge sind aber genauso einzukalkulieren wie bei jedem R&D-Projekt.

Gerne unterstützen wir Sie bei Ihrem Vorhaben im Bereich Data Science. Häufig unterstützen wir Unternehmen bereits in sehr frühen Phasen - wenn die Absicht feststeht, aber noch unklar ist, welcher Anwendungsfall für das Unternehmen sinnvoll ist. Wir begleiten unsere Klienten dabei als Technologie- und Tool-unabhängiger Berater. Wir nutzen eigene Algorithmen und Data Tools um Hypothesen zu testen, um große Datenmengen zu konsolidieren und zu analysieren und erste Ansätze für die Mustererkennung abzuleiten. Ebenso unterstützen wir Sie bei der Entwicklung von Dashboards und Management- und Controlling-Instrumenten für verschiedene Unternehmensbereiche.

Beratungsleistungen

• Neue Geschäftsmodelle Industrie 4.0
• Data Science

Publikationen

• Neue Geschäftsmodelle in der Industrie 4.0
  Leitfaden zur Entwicklung neuer Geschäftsmodelle in der Industrie 4.0
• Innovationsbeschleuniger Krise
  Krisenmanagement - Hochlaufkurve - Wachstumspfade
• Neue Geschäftsmodelle – Künstliche Intelligenz – Maschinenlernen
  Tagungsband des Münchner Management Kolloquiums 2020
• Smart Factory
  Neue Technologien, Fallstudien, Wirtschaftlichkeit und Einführungsstrategien

Praxisbeispiele

• Umsatzsteigerung durch Cross-Selling und die optimierte Nutzung von Sales- und Plattformdaten
• Anlagenüberwachung und Predictive Maintenance durch Machine Learning
• Qualitätsoptimierung im Shopfloor durch Big Data